Field-level weak lensing cosmology with $<100$ simulations using multifidelity simulation-based inference

기술 요약: 다중 충실도 시뮬레이션 기반 추론을 이용한 100개 미만의 시뮬레이션을 활용한 필드 수준 약중력 렌즈 코스몰로지

문제 정의
필드 수준의 약중력 렌즈 추론은 전통적인 2점 요약 통계량(예: 파워 스펙트럼)보다 우주 셰어(cosmic shear) 데이터로부터 훨씬 더 많은 우주론적 정보를 추출할 수 있는 잠재력을 제공한다. 그러나 이 잠재력을 실현하기 위해서는 필드 수준에서의 물리적 실재성이 필요하며, 이는 고충실도(high-fidelity) $N$-body 시뮬레이션을 필수적으로 요구한다. 시뮬레이션 기반 추론(SBI)에는 주요한 병목 현상이 존재한다: 정확한 경험적 밀도 모델링과 딥러닝 기반의 신경망 압축은 일반적으로 수천 개의 훈련 시뮬레이션을 필요로 하지만, 고충실도 $N$-body 시뮬레이션을 그만큼 많이 생성하는 것은 계산 비용 측면에서 매우 비효리적이다. 반대로, 저충실도(low-fidelity) 시뮬레이션(예: 로그 정규 분포 필드)은 정밀한 필드 수준 추론에 필요한 물리적 실재성이 부족하다. 과제는 최소한의 고비용 고충실도 시뮬레이션을 사용하여 정확하고 잘 보정된 우주론적 사후 확률(posteriors)을 달려내는 것이다.

방법론
저충실도와 고충실도 시뮬레이션 사이의 간극을 메우기 위해 전이 학습(transfer learning)을 활용하는 다중 충실도 SBI 프레임워크를 제안한다. 이 접근 방식은 세 가지 구성 요소로 이루어진다:

1. 시뮬레이션 파이프라인:

   • 저충실도(Low-Fidelity): 저자들은 암흑 물질 과밀도(overdensity)의 로그 정규 분포 무작위 필드를 생성하는 GLASS(Generator for LArge Scale Structure)를 사용하여 약 $\sim$100,000개의 모의 약중력 렌즈 관측치를 생성하였다. 이 데이터는 광도 적색편이 불확실성, 내재적 정렬(NLA-M 모델), 형상 노이즈(shape noise)를 포함하여 KiDS-Legacy 조사 특성을 모사하도록 처리되었다.
   • 고충실도(High-Fidelity): 더 작은 규모의 모의 관측치는 Gower Street $N$-body 시뮬레이션 스위트(중력 전용, 전천)를 사용하여 생성되었다. 이는 동일한 전방향 모델링 파이프라인을 통해 처리된 물리적으로 실재적인 물질 껍질(matter shells)을 제공한다.
   • 데이터 증강(Data Augmentation): 제한된 고충실도 시뮬레이션의 효용을 극대화하기 위해, 저자들은 기저의 물질 필드를 회전시키고 섭동 매개변수(nuisance parameters)를 변화시켜 각 우주론적 시뮬레이션 박스당 80개의 의사 독립적인 KiDS-Legacy 유사 발자국(footprints)을 생성하는 광범위한 증강 기법을 적용하였다.

2. 신경망 구조 및 훈련:

   • 하이브리드 학습 압축: 2점 통계량(pseudo-$C_\ell$ 밴드파워)과 필드 수준 데이터(수렴 맵 $\kappa$)를 공동으로 처리하도록 설계된 신경망 압축 네트워크가 사용된다.
     • 단계 I: 피드포워드 네트워크가 밴드파워 데이터를 압축한다.
     • 단계 II: 합성곱 신경망(CNN)이 수렴 맵을 처리한다. 단계 I의 출력은 동결(frozen)된 상태로 CNN 출력과 결합되어 최종 요약 통계량을 형성한다. 이는 네트워크가 2점 통계량에 이미 포착된 정보를 잃지 않으면서도 2점 이상의 정보를 학습하도록 보장한다.
   • 다중 충실도 전이 학습:
     • 사전 훈련(Pre-training): 압축 네트워크와 신경 밀도 추정기(NDE) 헤드는 변분 상호 정보 최대화(VMIM)를 사용하여 대규모 저충실도(GLASS) 데이터셋에서 사전 훈련된다.
     • 미세 조정(Fine-tuning): 사전 훈련된 모델은 소규모 고충실도($N$-body) 데이터셋을 사용하여 미세 조정된다. 저자들은 두 가지 전략을 탐구한다: (i) 압축기는 동결하고 NDE 헤드만 미세 조정하는 방식, (ii) 모든 가중치를 미세 조정하는("finetune all") 방식.
   • 추론 방법: 이 프레임워크는 사후 확률을 직접 학습하는 **신경 사후 확률 추정(NPE)**과 유연한 사전 확률(예: KiDS-Legacy 특화 사전 확률)을 허용하기 위해 대리 가능도(surrogate likelihood)를 학습하는 **신경 가능도 추정(NLE)**을 모두 지원한다.
   • 앙상블(Ensembling): 저데이터 환경에서의 보정 오류를 완화하기 위해, 저자들은 서로 다른 데이터 분할로 여러 개의 미세 조정된 모델을 훈련하고 그 예측을 평균화하는 모델 앙상블을 채택하였다.

주요 기여

• 다중 충실도 NLE: 본 연구는 우주론적 필드 수준 추론을 위한 최초의 다중 충실도 신경 가능도 추정(NLE) 사례를 제시하며, 고충실도 시뮬레이션의 사전 확률을 분석으로부터 분리한다.
• 시뮬레이션 효율성: 저자들은 단 60~100개의 고충실도 $N$-body 시뮬레이션만으로도 정확한 필드 수준 우주론 추론이 가능하다는 것을 입증하였으며, 이는 표준 단일 충실도 SBI 접근 방식에 비해 계산 비용을 10배 이상 절감한 것이다.
• 하이브리드 학습 체계: 필드 수준 훈련 중에 2점 압축을 동결하는 하이브리드 학습 접근 방식이 효율적인 수렴과 최적의 정보 추출에 결정적임을 보여준다.
• 앙상블 보정: 본 연구는 고충실도 훈련 시뮬레이션 수가 매우 적을 때($N < 100$) 잘 보정된 사후 확률을 얻기 위해 모델 앙상블이 필수적인 구성 요소임을 확립한다.

결과

• 정보 추출: 전이 학습 모델은 높은 상호 정보(MI)와 제약 능력(Figure of Merit, FoM)을 달성한다(그림 참조). 구체적으로, $N=10$개의 시뮬레이션만으로 미세 조정된 앙상블은 처음부터 학습된 $N=530$개의 시뮬레이션 모델보다 더 많은 정보를 추출한다(단, 전자는 아직 잘 보정되지 않은 상태이다).
• 보정(Calibration): 단일 모델 전이 학습은 낮은 $N$에서 약간의 과잉 확신(overconfidence)을 보이지만, 모델 앙상블은 이를 성공적으로 완화하여 $N=60$개의 시뮬레이션에서 수용 가능한 커버리지를 달성한다.
• 제약 능력:
  • 다중 충실도 접근 방식은 $\Omega_m$ 및 $\sigma_8$에 대해 2점 통계량 전용 분석보다 약 3.5배 더 정밀하고, 전체 데이터셋($N=530$)을 사용한 고충실도 전용 필드 수준 분석보다 약 15% 더 정밀한 제약을 제공한다.
  • 결정적으로, 다중 충실도 방식은 암흑 에너지 상태 방정식 매개변수인 $w$에 대한 의미 있는 제약을 가능하게 하는데, 이는 고충실도 전용 모델이 전체 데이터셋을 사용하더라도 제약하지 못하는 부분이다. 저자들은 이를 저충실도 로그 정규 시뮬레이션(HMcode-2020을 통한)에 인코딩된 해석적 $w$ 의존성이 미세 조정 과정에서 보존되고 적응되었기 때문이라고 설명한다.
• NLE 성능: 다중 충실도 NLE 모델은 NPE와 유사하게 정확한 사후 확률을 생성하지만 약간의 과잉 확신을 보인다. 그러나 이는 앙상블을 통해 완화될 수 있는 사소한 효과로 간주된다(전통적인 가우시안 가능도 근사치의 불확실성과 유사함).

의의 및 주장
본 논문은 다중 충실도 SBI가 현실적인 계산 제약 하에서 필드 수준의 우주론적 분석을 위한 실용적이고 시뮬레이션 효율적인 경로를 제공한다고 주장한다. 전이 학습을 활용함으로써 저자들은 다음을 입증하였다:

1. 매우 정보량이 많은(2점 이상의 정보를 포함하는) 압축 기법을 저비용 시뮬레이션으로부터 학습할 수 있으며, 이를 $O(10)$개의 대규모 $N$-body 시뮬레이션만으로 고충실도 데이터에 적응시킬 수 있다.
2. 60~100개의 고충실도 시뮬레이션을 통해 정확하고 잘 보정된 추론(현재 가장 정밀한 약중력 렌즈 제약치와 대등한 수준)이 가능하다.
3. 저충실도 사전 훈련은 분석 능력을 질적으로 변화시켜, 단일 충실도 방식으로는 접근할 수 없는 $w$와 같은 매개변수에 대한 제약을 가능하게 한다.

저자들은 이 결과가 모의 데이터(mock data)를 사용한 개념 증명(proof-of-concept)임을 강조한다. 실제 데이터에 적용하려면 모델링되지 않은 물리(예: 바리온 피드백) 및 계통 오차에 대한 추가 검증이 필요하지만, 이 프레임워크는 점점 더 정교해지는 물리 모델을 우주론적 추론에 통합할 수 있는 유연한 경로를 제공한다.